lalu menghitung sinyal keluarannya dengan fungsi aktivasi, z j = f z_in j

dokumen-dokumen yang mirip
HASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi

lalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,

z_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:

PENDAHULUAN. Latar Belakang

PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT

BACK PROPAGATION NETWORK (BPN)

Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation

IDENTIFIKASI JENIS SHOREA MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN DEWI PUSPITASARI

BACK PROPAGATION NETWORK (BPN)

BAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara

JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)

Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation

BAB II LANDASAN TEORI

Studi Modifikasi standard Backpropagasi

BAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh

Muhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan

BAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis

BAB IV ANALISA DAN PERANCANGAN

BAB 3 METODOLOGI PENELITIAN

Presentasi Tugas Akhir

Jurnal Informatika Mulawarman Vol 5 No. 1 Februari

MATERI DAN METODE. Cara Pengambilan Data

Jurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x

BAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.

SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana

TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Sumatera Bagian Selatan) NURFITRIANA

Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan

BAB VIIB BACKPROPAGATION dan CONTOH

Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation

BAB III METODE PENELITIAN

Aplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita

KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati

ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN

Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)

BAB II TINJAUAN PUSTAKA

ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION

PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION

Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin

PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION

VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :

SATIN Sains dan Teknologi Informasi

SATIN Sains dan Teknologi Informasi

BAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX

PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana

ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)

Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor

PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

METODOLOGI PENELITIAN

BAB II DASAR TEORI. 2.1 Citra Digital

ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom

BAB 2 TINJAUAN PUSTAKA

APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI

MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi

JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI. ditinjau dari segi kasus penelitian, objek penelitian dan metode yang digunakan

Architecture Net, Simple Neural Net

PREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang)

BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA

Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR

PENERAPAN JARINGAN SARAF TIRUAN UNTUK PROYEKSI LOGISTIK BERDASARKAN PREDIKSI PASIEN MENGGUNAKAN ALGORITMA BACKPROPAGATION

Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6

BAB IV PERANCANGAN & IMPLEMENTASI SISTEM

PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION

BAB II LANDASAN TEORI

ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

3. METODE PENELITIAN

BAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital

BAB II TINJAUAN PUSTAKA

1. Pendahuluan Pasar modal memungkinkan para investor mempunyai berbagai pilihan investasi yang sesuai dengan preferensi risiko mereka. Seandainya tid

BAB II TINJAUAN PUSTAKA

IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR

PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK

PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI CHORD GITAR YOSI NURHAYATI

Proses Pembelajaran dengan BackPropagation pada kasus penyakit asma

BAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang

PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK

BAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

KLASIFIKASI JENIS SHOREA BERDASARKAN MORFOLOGI DAUN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK LEVENBERG-MARQUARDT CORY DIANA LESTARI

METODOLOGI PENELITIAN

IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM

PENGENDALIAN SUDUT ARAH MOBILE ROBOT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA

BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Koefisien Maksimum Energi Maksimum Jarak Gelombang R - R

BAB 2 TINJAUAN PUSTAKA

ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.

BAB 2 TINJAUAN PUSTAKA

BAB III METODOLOGI PENELITIAN

IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI

PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG

BAB II LANDASAN TEORI

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.

BAB 2 LANDASAN TEORI

BAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION

Transkripsi:

LAMPIRAN

17 Lampiran 1 Algoritme JST propagasi balik resilient (Susanto 2006) Langkah 0. Inisialisasi bobot Langkah 1. Selama syarat henti salah, lakukan langkah 2 9 Langkah 2. Untuk setiap pasangan pelatihan (masukan dan target), lakukan langkah 3 8 Langkah 3. Setiap unit masukan (X i, i = 1,...,n) menerima sinyal masukan x i dan meneruskannya ke seluruh unit pada lapisan diatasnya (hidden unit) Langkah 4. Setiap unit tersembunyi (Z j, j = 1,...,p) menghitung total sinyal masukan terbobot, z_in j = v 0j + x i n i=1 v ij, lalu menghitung sinyal keluarannya dengan fungsi aktivasi, z j = f z_in j, dan mengirimkan sinyal ini ke seluruh unit pada lapisan atasnya (lapisan output). Langkah 5. Setiap unit output (Y k, k = 1,...,m) menghitung total sinyal masukan terbobot, y_in k = w 0k + x i p j=1 w jk, lalu menghitung sinyal keluaran dengan fungsi aktivasi, y k = f y_in k. Langkah 6. Setiap unit output (Y k, k = 1,...,m) menerima sebuah pola target yang sesuai dengan polamasukan pelatihannya. Unit tersebut menghitung informasi kesalahan, δ k = (t k - y k ) f' y_in k φ2 jk = δ k z j β2 k = δ k φφ2 jk = φ2 jk * φ2 jk (old) ββ2 k = β2 k * β2 k (old) kemudian menghitung koreksi bobot (digunakan untuk mengubah w jk nanti), FN* w jk old ; φφ2 jk >0 w jk = FT* w jk old ; φφ2 jk <0 w jk old ; φφ2 jk =0 w jk = min ( w jk, deltamax) - w jk ; φ2 jk >0 w jk = w jk ; φ2 jk <0 0; φ2 jk =0 hitung juga nilai koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2 k ) FN* b2 k old ; ββ2 k >0 b2 k = FT* b2 k old ; ββ2 k <0 b2 k old ; ββ2 k =0 min ( b2 k, delta max); ββ2 k >0 b2 k = max ( b2 k, delta min); ββ2 k <0 - b2 k ; β2 k >0 b2 k = b2 k ; β2 k <0 0; β2 k =0

18 Langkah 7. Setiap unit tersembunyi (Z j, j = 1,...,p) menghitung selisih input (dari unit-unit pada layer atasnya) m δ_in j = δ k k=1 w jk lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi errornya δ1 j = δ_in j f' z_in j φ1 ij = δ1 j x j β1 j = δ1 j φφ1 ij = φ1 ij * φ1 ij (old) ββ1 j = β1 j * β1 j (old) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v ij ) FN* v ij old ; φφ1 ij >0 v ij = FT* v ij old ; φφ1 ij <0 v ij old ; φφ1 ij =0 v ij = min ( v ij, deltamax) - v ij ; φ1 ij >0 v ij = v ij ; φ1 ij <0 0; φ1 ij =0 hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai 1 ) FN* b1 j old ; ββ1 j >0 b1 j = FT* b1 j old ; ββ1 j <0 b1 j old ; ββ1 j =0 min ( b1 j, delta max); ββ2 k >0 b1 j = max b1 j, delta min ; ββ2 k <0 b1 j ; β1 j >0 b1 j = b1 j ; β1 j <0 0; β1 j =0 Langkah 8. Setiap unit output (Y k, k = 1,...,m) mengubah bias dan bobot-bobotnya (j=0,...,p) w jk new = w jk old + w jk b2 k new = b2 k old + b2 k Setiap unit tersembunyi (Z j, j = 1,...,p) mengubah bias dan bobot-bobotnya (i=1,..,n) v ij new = v ij old + v ij b1 j new = b1 j old + b1 j Langkah 9. Uji syarat henti : Jika besar mean squared error 1 n t n k- y k 2 lebih kecil daripada toleransi yang telah k=1 ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum, selesai; jika tidak, kembali ke Langkah 1.

19 Lampiran 2 Ilustrasi arsitektur jaringan syaraf tiruan propagasi balik Keterangan : Arsitektur backpropagation dengan n buah masukan (ditambah dengan sebuah bias), sebuah hidden layer yang terdiri dari p unit ditambah dengan sebuah bias), serta m buah unit keluaran. V ji merupakan bobot garis dari unit masukan X i ke unit hidden layer Z j (V j0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit hidden layer Z j ). W kj merupakan bobot garis dari unit hidden layer Z j ke unit keluaran Y k (W k0 merupakan bobot garis yang menghubungkan bias di unit hidden layer ke unit keluaran Z k ). Lampiran 3 Data percobaan (fitur keliling dan luas menggunakan perhitungan manual) Data ke- tulang permukaan ujung panjang lebar pangkal keliling luas sudut jml tulang 1 23.2 9.5 1 1 1 1 53.2 176.3 70 33 1 2 21.4 8.1 1 1 1 1 48.6 140.8 70 32 1 3 24.1 8.9 1 1 1 1 53.8 181.5 70 32 1 4 25.7 9.2 1 1 1 1 56.8 185.3 65 33 1 5 26.7 9.7 1 1 1 1 59.0 200.3 75 34 1 6 25.5 8.7 1 1 1 1 55.7 178.0 70 35 1 7 30.3 9.8 1 1 1 1 65.8 230.0 75 34 1 8 28.1 9.7 1 1 1 1 62.0 210.0 75 34 1 9 29.2 10.9 1 1 1 1 66.3 260.8 75 32 1 10 21.4 7.3 1 1 1 1 47.4 120.3 75 34 1 11 16.5 6.5 1 1 2 1 36.0 76.5 55 43 2 12 14.7 6.2 1 1 2 1 33.0 69.5 55 40 2 13 15.5 6.4 1 1 2 1 33.5 71.5 55 38 2 14 11.5 6.8 1 1 2 1 27.8 53.0 60 29 2 15 18.2 7.0 1 1 2 1 38.8 92.0 60 42 2 16 17.4 6.7 1 1 2 1 37.4 82.3 60 39 2 17 14.0 5.7 1 1 2 1 30.5 58.8 55 39 2 18 17.6 7.2 1 1 2 1 39.2 88.3 60 41 2 19 22.7 8.5 1 1 2 1 49.8 166.5 60 48 2 20 18.5 7.3 1 1 2 1 40.7 88.5 60 43 2 kelas

20 Data ke- tulang permukaan ujung panjang lebar pangkal keliling luas sudut jml tulang 21 13.8 4.4 1 1 2 2 29.3 33.8 60 32 3 22 13.5 4.4 1 1 2 2 29.0 27.5 55 30 3 23 13.0 4.2 1 1 2 2 27.7 32.0 60 31 3 24 13.0 4.0 1 1 2 2 27.3 30.0 65 26 3 25 13.0 4.2 1 1 2 2 27.3 32.3 55 30 3 26 12.9 4.0 1 1 2 2 27.5 31.0 55 28 3 27 13.0 4.0 1 1 2 2 26.7 32.8 55 26 3 28 14.0 4.5 1 1 2 2 29.5 41.8 55 28 3 29 12.2 3.5 1 1 2 2 26.0 28.0 55 26 3 30 12.5 3.6 1 1 2 2 25.5 27.3 60 32 3 31 13.8 4.6 1 2 1 2 29.4 45.5 40 24 4 32 17.3 5.2 1 2 1 2 36.0 64.8 40 22 4 33 14.0 4.6 1 2 1 2 30.0 45.5 40 24 4 34 18.3 5.2 1 2 1 2 38.8 76.5 40 23 4 35 16.1 5.3 1 2 1 2 35.0 62.5 40 25 4 36 15.0 5.2 1 2 1 2 32.0 54.8 40 24 4 37 15.2 4.1 1 2 1 2 31.7 44.3 40 23 4 38 10.8 3.2 1 2 1 2 23.0 24.0 40 21 4 39 12.2 4.4 1 2 1 2 26.5 40.0 40 22 4 40 14.5 4.7 1 2 1 2 31.0 49.3 40 26 4 41 9.2 4.5 1 1 1 1 21.2 28.3 70 29 5 42 9.0 4.5 1 1 1 1 20.5 24.8 70 31 5 43 8.5 4.0 1 1 1 1 19.0 22.0 70 24 5 44 12.3 5.2 1 1 1 1 27.2 43.0 70 34 5 45 12.7 5.4 1 1 1 1 28.4 46.5 70 37 5 46 12.8 5.3 1 1 1 1 28.8 50.3 70 36 5 47 11.0 4.7 1 1 1 1 24.5 33.3 70 36 5 48 9.9 4.5 1 1 1 1 23.0 31.8 70 34 5 49 14.8 5.7 1 1 1 1 32.5 61.3 80 36 5 50 13.0 6.2 1 1 1 1 30.0 56.0 80 35 5 Keterangan: Fitur - Bentuk tulang 1 : Tidak menempel - Permukaan 1 : Atas halus bawah kasar 2 : Atas bawah halus - Ujung 1 : Meruncing 2 : Runcing - Pangkal 1 : Membulat 2 : Tumpul Kelas 1 : Shorea ovalis 2: Shorea leprosula 3 : Shorea platyclados 4 : Shorea seminis 5 : Shorea beccariana kelas

21 Lampiran 4 Data percobaan (fitur keliling dan luas menggunakan pendekatan regresi linier) Data ke- tulang panjang lebar permukaan ujung pangkal keliling luas sudut jml tulang 1 23.2 9.5 1 1 1 1 53.1 173.8 70 33 1 2 21.4 8.1 1 1 1 1 47.8 134.6 70 32 1 3 24.1 8.9 1 1 1 1 53.6 168.8 70 32 1 4 25.7 9.2 1 1 1 1 56.8 187.1 65 33 1 5 26.7 9.7 1 1 1 1 59.3 205.9 75 34 1 6 25.5 8.7 1 1 1 1 55.6 175.0 70 35 1 7 30.3 9.8 1 1 1 1 65.5 237.5 75 34 1 8 28.1 9.7 1 1 1 1 61.6 217.2 75 34 1 9 29.2 10.9 1 1 1 1 65.5 255.3 75 32 1 10 21.4 7.3 1 1 1 1 46.4 120.3 75 34 1 11 16.5 6.5 1 1 2 1 36.9 79.5 55 43 2 12 14.7 6.2 1 1 2 1 33.4 66.1 55 40 2 13 15.5 6.4 1 1 2 1 35.1 72.8 55 38 2 14 11.5 6.8 1 1 2 1 29.1 55.3 60 29 2 15 18.2 7.0 1 1 2 1 40.6 96.3 60 42 2 16 17.4 6.7 1 1 2 1 38.7 87.3 60 39 2 17 14.0 5.7 1 1 2 1 31.4 56.6 55 39 2 18 17.6 7.2 1 1 2 1 39.9 95.7 60 41 2 19 22.7 8.5 1 1 2 1 50.6 150.9 60 48 2 20 18.5 7.3 1 1 2 1 41.6 102.7 60 43 2 21 13.8 4.4 1 1 2 2 28.9 40.8 60 32 3 22 13.5 4.4 1 1 2 2 28.4 39.7 55 30 3 23 13.0 4.2 1 1 2 2 27.2 35.7 60 31 3 24 13.0 4.0 1 1 2 2 26.9 33.5 65 26 3 25 13.0 4.2 1 1 2 2 27.2 35.7 55 30 3 26 12.9 4.0 1 1 2 2 26.7 33.2 55 28 3 27 13.0 4.0 1 1 2 2 26.9 33.5 55 26 3 28 14.0 4.5 1 1 2 2 29.4 42.7 55 28 3 29 12.2 3.5 1 1 2 2 24.7 25.7 55 26 3 30 12.5 3.6 1 1 2 2 25.4 27.7 60 32 3 31 13.8 4.6 1 2 1 2 29.2 43.1 40 24 4 32 17.3 5.2 1 2 1 2 36.1 65.1 40 22 4 33 14.0 4.6 1 2 1 2 29.6 43.8 40 24 4 34 18.3 5.2 1 2 1 2 37.7 69.4 40 23 4 35 16.1 5.3 1 2 1 2 34.2 61.3 40 25 4 36 15.0 5.2 1 2 1 2 32.2 55.1 40 24 4 37 15.2 4.1 1 2 1 2 30.7 42.1 40 23 4 38 10.8 3.2 1 2 1 2 21.9 19.0 40 21 4 39 12.2 4.4 1 2 1 2 26.2 34.9 40 22 4 kelas

22 Data ke- tulang panjang lebar permukaan ujung pangkal keliling luas sudut jml tulang 40 14.5 4.7 1 2 1 2 30.6 46.9 40 26 4 41 9.2 4.5 1 1 1 1 21.4 24.7 70 29 5 42 9.0 4.5 1 1 1 1 21.0 23.9 70 31 5 43 8.5 4.0 1 1 1 1 19.4 18.5 70 24 5 44 12.3 5.2 1 1 1 1 27.7 43.5 70 34 5 45 12.7 5.4 1 1 1 1 28.7 47.3 70 37 5 46 12.8 5.3 1 1 1 1 28.7 46.7 70 36 5 47 11.0 4.7 1 1 1 1 24.7 33.2 70 36 5 48 9.9 4.5 1 1 1 1 22.5 27.3 70 34 5 49 14.8 5.7 1 1 1 1 32.7 60.4 80 36 5 50 13.0 6.2 1 1 1 1 30.6 57.3 80 35 5 kelas

Lampiran 5 Flowchart penentuan parameter optimal 23

24 Lampiran 6 Hasil percobaan 1 Nilai optimal hidden neuron HN 1 5 100 100 100 100 100 100 1000 2 5 100 50 0 50 100 60 1000 3 5 100 100 100 100 100 100 1000 4 5 100 50 50 0 100 60 1000 5 5 50 50 100 100 100 80 164 1 10 100 100 100 100 100 100 609 2 10 100 50 100 50 100 80 815 3 10 100 100 100 100 100 100 247 4 10 100 50 100 100 100 90 453 5 10 50 50 100 100 100 80 192 1 15 100 100 100 100 100 100 356 2 15 100 50 50 100 100 80 204 3 15 100 100 100 100 100 100 287 4 15 100 50 100 0 100 70 158 5 15 50 50 100 100 0 60 172 1 20 100 100 100 100 100 100 92 2 20 100 100 100 100 100 100 121 3 20 100 100 100 100 100 100 102 4 20 100 100 100 100 100 100 105 5 20 50 50 100 100 50 70 65 Nilai optimal toleransi galat TL 1 1.00E-01 50 100 100 100 100 90 20 2 1.00E-01 100 50 100 50 100 80 51 3 1.00E-01 100 100 100 100 100 100 27 4 1.00E-01 100 100 100 100 100 100 26 5 1.00E-01 100 100 50 100 0 70 62 1 1.00E-02 100 100 100 100 100 100 136 2 1.00E-02 100 100 100 100 50 90 150 3 1.00E-02 100 100 100 100 100 100 123 4 1.00E-02 100 100 100 50 100 90 119 5 1.00E-02 0 100 50 100 100 70 1000 1 1.00E-03 100 100 100 100 100 100 722 2 1.00E-03 100 50 100 100 100 90 677 3 1.00E-03 100 100 100 100 100 100 521 4 1.00E-03 100 100 100 100 100 100 664 5 1.00E-03 50 50 100 100 100 80 1000 1 1.00E-04 100 100 100 100 100 100 1000 2 1.00E-04 100 100 100 100 100 100 1000 3 1.00E-04 100 100 100 100 100 100 1000 4 1.00E-04 100 100 100 100 100 100 1000 5 1.00E-04 50 50 100 100 100 80 1000 1 1.00E-05 100 100 100 100 100 100 1000

25 TL 2 1.00E-05 100 50 100 100 100 90 1000 3 1.00E-05 100 100 100 100 100 100 1000 4 1.00E-05 100 100 100 100 100 100 1000 5 1.00E-05 50 50 100 100 100 80 1000 1 1.00E-06 100 100 100 100 100 100 1000 2 1.00E-06 100 100 100 100 100 100 1000 3 1.00E-06 100 100 100 100 100 100 1000 4 1.00E-06 100 100 100 50 100 90 1000 5 1.00E-06 50 50 100 100 0 60 1000 1 1.00E-07 100 100 100 100 100 100 1000 2 1.00E-07 100 100 100 100 100 100 1000 3 1.00E-07 100 100 100 100 100 100 1000 4 1.00E-07 100 100 100 100 100 100 1000 5 1.00E-07 100 100 100 100 50 90 1000 Nilai optimal learning rate LR 1 0.01 100 100 100 100 100 100 154 2 0.01 100 100 100 100 100 100 1000 3 0.01 100 100 100 100 100 100 46 4 0.01 100 100 100 100 100 100 62 5 0.01 50 50 100 100 100 80 1000 1 0.02 100 100 100 100 100 100 172 2 0.02 100 100 100 100 100 100 1000 3 0.02 100 100 100 100 100 100 78 4 0.02 100 100 100 50 100 90 108 5 0.02 50 50 100 100 100 80 1000 1 0.03 100 100 100 100 100 100 208 2 0.03 100 100 100 100 100 100 1000 3 0.03 100 100 100 100 100 100 19 4 0.03 100 50 100 50 100 80 52 5 0.03 50 50 100 100 100 80 1000 1 0.04 100 100 100 100 100 100 176 2 0.04 100 100 100 100 100 100 1000 3 0.04 100 100 100 100 100 100 39 4 0.04 100 100 100 100 100 100 22 5 0.04 50 50 100 100 100 80 1000 1 0.05 100 100 100 100 100 100 163 2 0.05 100 100 100 100 100 100 1000 3 0.05 100 100 100 100 100 100 21 4 0.05 100 100 100 100 100 100 38 5 0.05 50 50 100 100 100 80 1000 1 0.06 100 100 100 100 100 100 103 2 0.06 100 50 100 100 100 90 1000 3 0.06 100 100 100 100 100 100 26 4 0.06 100 100 100 100 100 100 29

26 LR 5 0.06 50 50 100 100 100 80 1000 1 0.07 100 100 100 100 100 100 173 2 0.07 100 100 100 100 100 100 1000 3 0.07 100 100 100 100 50 90 24 4 0.07 100 100 50 100 100 90 18 5 0.07 50 50 100 100 100 80 1000 1 0.08 100 100 100 100 100 100 128 2 0.08 100 100 100 100 100 100 1000 3 0.08 100 100 100 100 100 100 38 4 0.08 100 50 100 100 100 90 26 5 0.08 50 100 100 100 100 90 1000 1 0.09 100 100 100 100 100 100 129 2 0.09 100 50 100 100 100 90 1000 3 0.09 100 100 100 50 100 90 21 4 0.09 100 100 100 50 100 90 61 5 0.09 50 50 50 100 100 70 1000 1 0.1 100 100 100 100 100 100 146 2 0.1 100 100 100 100 100 100 1000 3 0.1 100 100 100 100 50 90 41 4 0.1 100 100 100 100 100 100 27 5 0.1 50 50 100 100 100 80 1000 Nilai optimal faktor naik FN 1 1.1 100 100 100 100 100 100 327 2 1.1 100 50 100 100 100 90 1000 3 1.1 100 50 100 100 100 90 22 4 1.1 100 100 100 50 100 90 20 5 1.1 50 50 100 100 100 80 1000 1 1.2 100 100 100 100 100 100 153 2 1.2 100 100 100 100 100 100 1000 3 1.2 100 100 100 100 100 100 43 4 1.2 100 50 50 50 100 70 18 5 1.2 100 50 100 100 100 90 1000 1 1.3 100 100 100 100 100 100 232 2 1.3 100 100 100 100 100 100 1000 3 1.3 100 100 100 100 50 90 27 4 1.3 100 100 100 100 100 100 31 5 1.3 50 50 100 100 100 80 1000 1 1.4 100 100 100 100 100 100 276 2 1.4 100 100 100 100 100 100 1000 3 1.4 100 100 100 100 100 100 46 4 1.4 100 100 100 50 100 90 26 5 1.4 50 50 100 100 100 80 1000 1 1.5 100 100 100 100 100 100 144 2 1.5 100 50 100 100 100 90 1000

27 FN 3 1.5 100 100 100 100 0 80 34 4 1.5 100 100 100 100 100 100 42 5 1.5 50 50 100 100 100 80 1000 1 1.6 100 100 100 100 100 100 150 2 1.6 100 100 100 100 100 100 1000 3 1.6 100 100 100 100 50 90 29 4 1.6 100 50 50 100 100 80 30 5 1.6 50 50 100 100 100 80 1000 1 1.7 100 100 100 100 100 100 261 2 1.7 100 100 100 100 100 100 1000 3 1.7 100 100 100 100 0 80 29 4 1.7 100 50 100 50 100 80 150 5 1.7 50 50 50 100 100 70 1000 1 1.8 100 100 100 100 100 100 397 2 1.8 100 100 100 100 100 100 1000 3 1.8 100 50 100 100 100 90 1000 4 1.8 100 100 50 50 100 80 90 5 1.8 50 50 50 100 100 70 1000 1 1.9 100 100 100 100 100 100 510 2 1.9 100 50 100 100 100 90 1000 3 1.9 100 0 100 100 100 80 271 4 1.9 100 50 100 0 100 70 184 5 1.9 50 50 100 100 100 80 1000 Nilai optimal faktor turun FT 1 0.1 100 100 100 100 100 100 327 2 0.1 100 100 100 100 100 100 1000 3 0.1 100 100 100 100 0 80 70 4 0.1 100 100 100 50 100 90 360 5 0.1 50 50 100 100 100 80 1000 1 0.2 100 100 100 100 100 100 224 2 0.2 100 50 100 100 100 90 1000 3 0.2 100 100 100 100 100 100 53 4 0.2 100 50 100 100 100 90 63 5 0.2 100 50 50 50 100 70 1000 1 0.3 100 100 100 100 100 100 367 2 0.3 100 100 100 100 100 100 1000 3 0.3 100 100 100 100 0 80 55 4 0.3 100 100 100 50 100 90 33 5 0.3 50 50 100 100 100 80 1000 1 0.4 100 100 100 100 100 100 127 2 0.4 100 50 100 100 100 90 1000 3 0.4 100 100 100 100 100 100 53 4 0.4 100 50 0 50 100 60 37 5 0.4 50 50 100 100 100 80 1000

28 FT 1 0.5 100 100 100 100 100 100 163 2 0.5 100 100 100 100 100 100 1000 3 0.5 100 100 100 100 0 80 18 4 0.5 100 50 50 50 100 70 103 5 0.5 50 50 100 50 100 70 1000 1 0.6 100 100 100 100 100 100 208 2 0.6 100 100 100 100 100 100 1000 3 0.6 100 100 100 100 100 100 38 4 0.6 100 50 100 100 100 90 44 5 0.6 100 50 100 100 0 70 1000 1 0.7 100 100 100 100 100 100 165 2 0.7 0 0 0 0 0 0 1000 3 0.7 100 100 100 100 0 80 27 4 0.7 0 0 50 100 100 50 76 5 0.7 50 50 50 100 100 70 1000 1 0.8 100 100 100 100 100 100 183 2 0.8 0 0 0 0 0 0 1000 3 0.8 100 100 100 100 100 100 84 4 0.8 100 50 100 100 100 90 56 5 0.8 50 100 100 100 100 90 1000 1 0.9 100 100 100 100 100 100 203 2 0.9 100 100 100 50 100 90 1000 3 0.9 100 50 100 100 100 90 57 4 0.9 100 100 0 100 100 80 97 5 0.9 0 0 100 0 0 20 1000 Nilai optimal delta0 D0 1 0.01 100 100 100 100 100 100 192 2 0.01 100 50 100 100 100 90 1000 3 0.01 100 100 100 100 100 100 16 4 0.01 100 100 100 50 100 90 53 5 0.01 50 50 100 100 100 80 1000 1 0.02 100 100 100 100 100 100 67 2 0.02 100 100 100 100 100 100 1000 3 0.02 100 100 100 100 50 90 14 4 0.02 100 100 100 100 100 100 34 5 0.02 50 100 100 100 100 90 1000 1 0.03 100 100 100 100 100 100 151 2 0.03 100 100 100 100 100 100 1000 3 0.03 100 100 100 100 50 90 50 4 0.03 100 100 100 100 100 100 38 5 0.03 50 50 50 100 100 70 1000 1 0.04 100 100 100 100 100 100 184 2 0.04 100 50 100 100 100 90 1000 3 0.04 100 100 100 100 0 80 30

29 D0 4 0.04 100 50 100 100 100 90 33 5 0.04 50 100 100 100 100 90 1000 1 0.05 100 100 50 100 100 90 185 2 0.05 100 50 100 100 100 90 1000 3 0.05 100 100 100 100 50 90 25 4 0.05 100 50 100 100 100 90 28 5 0.05 50 50 100 100 100 80 1000 1 0.06 100 100 100 100 100 100 125 2 0.06 100 100 100 100 100 100 1000 3 0.06 100 50 100 100 100 90 24 4 0.06 100 100 100 100 100 100 15 5 0.06 50 50 100 100 50 70 1000 1 0.07 100 100 100 100 100 100 114 2 0.07 100 100 100 100 100 100 1000 3 0.07 100 100 100 100 0 80 24 4 0.07 100 100 100 100 100 100 22 5 0.07 100 50 100 100 100 90 1000 1 0.08 100 100 100 100 100 100 382 2 0.08 100 50 100 100 100 90 1000 3 0.08 100 100 100 100 100 100 69 4 0.08 100 50 50 50 100 70 41 5 0.08 50 50 100 100 100 80 1000 1 0.09 100 100 100 100 100 100 245 2 0.09 100 100 100 100 100 100 1000 3 0.09 100 100 100 100 100 100 49 4 0.09 100 100 100 100 100 100 32 5 0.09 50 50 100 100 50 70 1000 Nilai optimal deltamax DM 1 10 100 100 100 100 100 100 124 2 10 100 100 100 100 100 100 1000 3 10 100 100 100 100 0 80 38 4 10 100 100 100 100 100 100 77 5 10 50 50 50 100 100 70 1000 1 20 100 100 100 100 100 100 213 2 20 100 100 100 100 100 100 1000 3 20 100 100 100 100 50 90 38 4 20 100 50 100 100 100 90 60 5 20 50 50 50 100 100 70 1000 1 30 100 100 100 100 100 100 117 2 30 100 50 100 100 100 90 1000 3 30 100 100 100 100 100 100 26 4 30 100 100 100 100 100 100 32 5 30 50 50 100 100 100 80 1000 1 40 100 100 100 100 100 100 226

30 DM 2 40 100 50 100 100 100 90 1000 3 40 100 100 100 100 100 100 34 4 40 100 100 50 100 100 90 51 5 40 50 50 100 100 100 80 1000 1 50 100 100 100 100 100 100 138 2 50 100 100 100 100 100 100 1000 3 50 100 100 100 100 100 100 43 4 50 100 50 100 50 100 80 42 5 50 50 50 100 100 100 80 1000 1 60 100 100 100 100 100 100 239 2 60 100 100 100 100 100 100 1000 3 60 0 100 100 100 100 80 15 4 60 100 50 100 0 100 70 60 5 60 50 50 100 100 50 70 1000 1 70 100 100 100 100 100 100 295 2 70 100 50 100 100 100 90 1000 3 70 100 100 100 100 0 80 32 4 70 100 50 100 100 100 90 47 5 70 100 50 100 100 100 90 1000 1 80 100 100 100 100 100 100 116 2 80 100 100 100 100 100 100 1000 3 80 100 100 100 100 0 80 16 4 80 100 50 100 100 100 90 29 5 80 50 50 50 100 100 70 1000 1 90 100 100 100 100 100 100 116 2 90 100 100 100 100 100 100 1000 3 90 100 100 100 100 100 100 46 4 90 100 100 100 100 100 100 17 5 90 100 50 50 100 100 80 1000 1 100 100 100 100 100 100 100 153 2 100 100 100 100 100 100 100 1000 3 100 100 100 100 100 100 100 25 4 100 100 100 100 50 100 90 30 5 100 50 50 100 100 100 80 1000

31 Lampiran 7 Kesalahan identifikasi pada percobaan 1 Nilai dari fitur nominal yang sama antara Shorea leprosula dengan Shorea ovalis yang menyebabkan kesalahan identifikasi pada percobaan 1 panjang lebar tulang permukaan ujung pangkal keliling luas sudut jml tulang 29.2 10.9 1 1 1 1 66.3 260.8 75 32 1 21.4 7.3 1 1 1 1 47.4 120.3 75 34 1 22.7 8.5 1 1 2 1 49.8 166.5 60 48 2 18.5 7.3 1 1 2 1 40.7 88.5 60 43 2 kelas Hasil identifikasi dari grup percobaan lima : Kelas Sebenarnya Hasil identifikasi Kelas Prediksi ovalis (kode kelas: 1) leprosula (kode kelas: 2) Kelas Shorea platyclados (kode kelas: 3) seminis (kode kelas: 4) beccariana (kode kelas: 5) 0.965 1.196 0.966 1.971 3.217 3.395 3.997 3.995 4.575 4.678 1 1 1 2 3 3 4 4 5 5 Jenis Shorea Kode Kelas Rentang target Shorea ovalis 1 0.5 x < 1.5 Shorea leprosula 2 1.5 x < 2.5 Shorea platyclados 3 2.5 x < 3.5 Shorea seminis 4 3.5 x < 4.5 Shorea beccariana 5 4.5 x < 5.5

32 Lampiran 8 Hasil percobaan 2 Nilai optimal hidden neuron HN 1 5 100 100 100 100 100 100 1000 2 5 100 100 100 100 100 100 438 3 5 100 100 100 100 100 100 724 4 5 100 50 100 100 100 90 1000 5 5 50 100 0 100 100 70 1000 1 10 100 100 100 100 100 100 137 2 10 100 100 100 100 100 100 842 3 10 100 100 100 100 100 100 353 4 10 100 100 100 100 100 100 182 5 10 100 50 100 100 0 70 204 1 15 100 100 100 100 100 100 315 2 15 100 100 100 100 100 100 74 3 15 100 100 100 100 100 100 220 4 15 100 100 100 50 100 90 94 5 15 100 50 100 100 100 90 94 1 20 100 100 100 100 100 100 63 2 20 100 100 100 100 100 100 325 3 20 100 100 100 100 100 100 81 4 20 100 100 100 100 100 100 105 5 20 50 50 100 100 100 80 76 Nilai optimal toleransi galat TL 1 1.00E-01 50 100 100 100 100 90 33 2 1.00E-01 100 50 50 100 50 70 50 3 1.00E-01 100 100 100 100 100 100 27 4 1.00E-01 100 50 50 100 100 80 82 5 1.00E-01 50 50 100 100 100 80 50 1 1.00E-02 100 100 100 100 100 100 204 2 1.00E-02 100 100 100 100 100 100 208 3 1.00E-02 100 100 100 100 100 100 81 4 1.00E-02 100 100 100 100 100 100 188 5 1.00E-02 50 50 100 100 100 80 108 1 1.00E-03 100 100 100 100 100 100 805 2 1.00E-03 100 50 100 100 100 90 845 3 1.00E-03 100 100 100 100 100 100 501 4 1.00E-03 100 100 100 50 100 90 1000 5 1.00E-03 50 50 100 100 100 80 631 1 1.00E-04 100 100 100 100 100 100 1000 2 1.00E-04 100 100 100 100 100 100 1000 3 1.00E-04 100 100 100 100 100 100 1000 4 1.00E-04 100 100 100 100 100 100 1000 5 1.00E-04 100 0 100 100 100 80 1000 1 1.00E-05 100 100 100 100 100 100 1000 2 1.00E-05 100 100 100 100 100 100 1000

33 TL 3 1.00E-05 100 100 100 100 100 100 1000 4 1.00E-05 100 100 100 50 100 90 1000 5 1.00E-05 100 100 100 100 0 80 1000 1 1.00E-06 100 100 100 100 100 100 1000 2 1.00E-06 100 100 100 100 100 100 1000 3 1.00E-06 100 100 100 100 100 100 1000 4 1.00E-06 100 100 100 100 100 100 1000 5 1.00E-06 100 50 100 100 100 90 1000 1 1.00E-07 100 100 100 100 100 100 1000 2 1.00E-07 100 50 100 100 100 90 1000 3 1.00E-07 100 100 100 100 100 100 1000 4 1.00E-07 100 100 100 100 100 100 1000 5 1.00E-07 100 100 100 100 100 100 1000 1 1.60E-01 50 50 100 100 100 80 24 2 1.60E-01 100 0 100 50 50 60 14 3 1.60E-01 100 100 100 100 100 100 20 4 1.60E-01 100 100 100 50 100 90 30 5 1.60E-01 50 50 100 100 0 60 18 1 1.70E-01 100 50 50 100 100 80 15 2 1.70E-01 100 50 100 50 0 60 13 3 1.70E-01 100 100 100 50 100 90 13 4 1.70E-01 100 50 100 100 100 90 24 5 1.70E-01 50 0 100 100 50 60 34 1 1.90E-01 50 100 100 50 100 80 13 2 1.90E-01 100 50 100 100 0 70 28 3 1.90E-01 100 100 100 0 100 80 13 4 1.90E-01 100 100 100 100 50 90 17 5 1.90E-01 50 50 100 0 0 40 47 Nilai optimal learning rate LR 1 0.01 100 100 100 100 100 100 184 2 0.01 100 100 100 100 100 100 199 3 0.01 100 100 100 100 100 100 145 4 0.01 100 100 100 100 100 100 117 5 0.01 100 50 100 100 100 90 1000 1 0.02 100 100 100 100 100 100 157 2 0.02 100 100 100 100 100 100 1000 3 0.02 100 100 100 100 100 100 104 4 0.02 100 100 100 100 100 100 130 5 0.02 100 50 100 100 100 90 1000 1 0.03 100 100 100 100 100 100 145 2 0.03 100 100 100 100 100 100 263 3 0.03 100 100 100 100 100 100 134 4 0.03 100 100 100 100 100 100 155 5 0.03 100 50 100 100 100 90 1000

34 LR 1 0.04 100 100 100 100 100 100 111 2 0.04 100 100 100 100 100 100 80 3 0.04 100 100 100 100 100 100 161 4 0.04 100 100 100 100 100 100 127 5 0.04 100 50 100 100 100 90 1000 1 0.05 100 100 100 100 100 100 203 2 0.05 100 100 100 100 50 90 179 3 0.05 100 100 100 100 100 100 96 4 0.05 100 100 100 100 100 100 112 5 0.05 100 100 100 100 100 100 1000 1 0.06 100 100 100 100 100 100 162 2 0.06 100 100 100 100 100 100 236 3 0.06 100 100 100 100 100 100 73 4 0.06 100 100 100 100 100 100 203 5 0.06 100 50 100 100 100 90 1000 1 0.07 100 100 100 100 100 100 146 2 0.07 100 100 100 100 100 100 322 3 0.07 100 100 100 100 100 100 118 4 0.07 100 100 100 100 100 100 76 5 0.07 100 50 100 100 100 90 1000 1 0.08 100 100 100 100 100 100 160 2 0.08 100 100 100 100 50 90 111 3 0.08 100 100 100 100 100 100 89 4 0.08 100 100 100 100 100 100 86 5 0.08 100 100 100 100 100 100 1000 1 0.09 100 100 100 100 100 100 120 2 0.09 100 100 100 100 100 100 42 3 0.09 100 100 100 100 100 100 108 4 0.09 100 100 100 100 100 100 84 5 0.09 100 50 100 100 100 90 1000 1 0.1 100 100 100 100 100 100 214 2 0.1 100 100 100 100 100 100 263 3 0.1 100 100 100 100 100 100 80 4 0.1 100 100 100 100 100 100 172 5 0.1 100 50 100 100 100 90 1000 Nilai optimal faktor naik FN 1 1.1 100 100 100 100 100 100 91 2 1.1 100 50 100 100 50 80 457 3 1.1 100 100 100 100 100 100 145 4 1.1 100 100 100 100 100 100 159 5 1.1 100 50 100 100 50 80 1000 1 1.2 100 100 100 100 100 100 185 2 1.2 100 100 100 100 50 90 152 3 1.2 100 100 100 100 100 100 112

35 FN 4 1.2 100 100 100 100 100 100 163 5 1.2 100 50 100 100 50 80 1000 1 1.3 100 100 100 100 100 100 144 2 1.3 100 100 100 100 50 90 262 3 1.3 100 100 100 100 100 100 133 4 1.3 100 100 100 100 100 100 230 5 1.3 100 100 100 100 100 100 1000 1 1.4 100 100 100 100 100 100 132 2 1.4 100 100 100 100 100 100 125 3 1.4 100 100 100 100 100 100 123 4 1.4 100 100 100 100 100 100 192 5 1.4 100 100 100 100 50 90 1000 1 1.5 100 100 100 100 100 100 479 2 1.5 100 100 100 100 100 100 202 3 1.5 100 100 100 100 100 100 121 4 1.5 100 100 100 100 100 100 154 5 1.5 100 50 100 100 0 70 1000 1 1.6 100 100 100 100 100 100 170 2 1.6 100 100 100 100 50 90 161 3 1.6 100 100 100 100 100 100 145 4 1.6 100 100 100 100 100 100 172 5 1.6 100 50 100 100 100 90 1000 1 1.7 100 100 100 100 100 100 165 2 1.7 100 50 100 100 100 90 173 3 1.7 100 100 100 100 100 100 139 4 1.7 100 100 100 100 100 100 231 5 1.7 100 100 100 100 100 100 1000 1 1.8 100 100 100 100 100 100 234 2 1.8 100 100 100 100 50 90 177 3 1.8 100 100 100 100 100 100 315 4 1.8 50 100 100 100 100 90 391 5 1.8 100 100 100 100 50 90 1000 1 1.9 100 100 100 100 100 100 231 2 1.9 100 50 100 100 50 80 674 3 1.9 100 100 100 100 100 100 822 4 1.9 100 100 100 100 100 100 391 5 1.9 50 100 100 100 0 70 1000 Nilai optimal faktor turun FT 1 0.1 100 100 100 100 100 100 635 2 0.1 100 50 100 100 100 90 350 3 0.1 100 100 100 100 100 100 529 4 0.1 100 100 100 100 100 100 236 5 0.1 100 100 0 100 50 70 1000 1 0.2 100 100 100 100 100 100 360

36 FT 2 0.2 100 50 100 100 50 80 404 3 0.2 100 100 100 100 100 100 458 4 0.2 100 100 100 100 100 100 189 5 0.2 50 50 100 100 0 60 1000 1 0.3 100 100 100 100 100 100 291 2 0.3 100 100 100 100 100 100 309 3 0.3 100 100 100 100 100 100 131 4 0.3 100 100 100 100 100 100 142 5 0.3 100 0 100 100 100 80 1000 1 0.4 100 100 100 100 100 100 202 2 0.4 100 50 100 100 100 90 488 3 0.4 100 100 100 100 100 100 156 4 0.4 100 100 100 100 100 100 125 5 0.4 100 50 100 100 0 70 1000 1 0.5 100 100 100 100 100 100 96 2 0.5 100 100 100 100 100 100 211 3 0.5 100 100 100 100 100 100 402 4 0.5 100 100 100 100 100 100 168 5 0.5 100 50 100 100 0 70 1000 1 0.6 100 100 100 100 100 100 153 2 0.6 100 50 100 100 100 90 95 3 0.6 100 100 100 100 100 100 95 4 0.6 100 100 100 100 100 100 61 5 0.6 100 50 100 100 100 90 1000 1 0.7 100 100 100 100 100 100 88 2 0.7 100 50 50 100 100 80 108 3 0.7 100 100 100 100 100 100 111 4 0.7 100 100 100 100 100 100 1000 5 0.7 50 50 100 100 100 80 1000 1 0.8 100 100 100 100 100 100 110 2 0.8 100 100 100 100 100 100 416 3 0.8 100 100 100 100 100 100 404 4 0.8 100 100 100 100 100 100 182 5 0.8 100 50 100 100 100 90 1000 1 0.9 50 100 100 100 100 90 110 2 0.9 100 100 100 100 100 100 246 3 0.9 100 100 100 100 100 100 167 4 0.9 100 100 100 100 100 100 1000 5 0.9 50 100 100 100 100 90 1000 Nilai optimal delta0 D0 1 0.01 100 100 100 100 100 100 105 2 0.01 100 100 100 100 100 100 125 3 0.01 100 100 100 100 100 100 258 4 0.01 100 100 100 100 100 100 262

37 D0 5 0.01 50 100 100 100 100 90 1000 1 0.02 100 100 100 100 100 100 153 2 0.02 100 100 50 100 100 90 415 3 0.02 100 100 100 100 100 100 103 4 0.02 100 100 100 100 100 100 171 5 0.02 100 50 100 100 100 90 1000 1 0.03 100 100 100 100 100 100 123 2 0.03 100 50 50 100 100 80 230 3 0.03 100 100 100 100 100 100 133 4 0.03 100 100 100 100 100 100 177 5 0.03 100 50 100 100 100 90 1000 1 0.04 100 100 100 100 100 100 161 2 0.04 100 100 50 100 100 90 104 3 0.04 100 100 100 100 100 100 178 4 0.04 100 100 100 100 100 100 62 5 0.04 100 50 100 100 100 90 1000 1 0.05 100 100 100 100 100 100 208 2 0.05 100 100 50 100 100 90 440 3 0.05 100 100 100 100 100 100 134 4 0.05 100 100 100 100 100 100 104 5 0.05 100 50 100 100 100 90 1000 1 0.06 100 100 100 100 100 100 97 2 0.06 100 100 100 100 100 100 178 3 0.06 100 100 100 100 100 100 92 4 0.06 100 100 100 100 100 100 178 5 0.06 100 50 100 100 100 90 1000 1 0.07 100 100 100 100 100 100 201 2 0.07 100 100 100 100 100 100 149 3 0.07 100 100 100 100 100 100 149 4 0.07 100 100 100 100 100 100 108 5 0.07 100 100 100 100 50 90 1000 1 0.08 100 100 100 100 100 100 164 2 0.08 100 100 100 100 100 100 70 3 0.08 100 100 100 100 100 100 195 4 0.08 100 100 100 100 100 100 68 5 0.08 100 50 100 100 100 90 1000 1 0.09 100 100 100 100 100 100 206 2 0.09 100 50 100 100 100 90 215 3 0.09 100 100 100 100 100 100 219 4 0.09 100 100 100 100 100 100 152 5 0.09 100 100 100 100 0 80 1000 Nilai optimal deltamax DM 1 10 100 100 100 100 100 100 97 2 10 100 100 100 100 100 100 153

38 DM 3 10 100 100 100 100 100 100 162 4 10 100 100 100 100 100 100 147 5 10 100 50 100 100 100 90 1000 1 20 100 100 100 100 100 100 108 2 20 100 100 100 100 100 100 127 3 20 100 100 100 100 100 100 104 4 20 100 100 100 100 100 100 180 5 20 100 50 100 100 100 90 1000 1 30 100 100 100 100 100 100 145 2 30 100 100 100 100 100 100 137 3 30 100 100 100 100 100 100 123 4 30 100 100 100 100 100 100 88 5 30 100 50 100 100 100 90 1000 1 40 100 100 100 100 100 100 139 2 40 100 100 100 100 100 100 259 3 40 100 100 100 100 100 100 96 4 40 100 100 100 100 100 100 171 5 40 100 0 100 100 100 80 1000 1 50 100 100 100 100 100 100 212 2 50 100 50 100 100 100 90 134 3 50 100 100 100 100 100 100 193 4 50 100 100 100 100 100 100 156 5 50 100 0 100 100 100 80 1000 1 60 100 100 100 100 100 100 203 2 60 100 50 100 100 100 90 108 3 60 100 100 100 100 100 100 174 4 60 100 100 100 100 100 100 117 5 60 100 50 100 100 100 90 1000 1 70 100 100 100 100 100 100 112 2 70 100 100 100 100 50 90 472 3 70 100 100 100 100 100 100 124 4 70 100 100 100 100 100 100 252 5 70 100 50 100 100 100 90 1000 1 80 100 100 100 100 100 100 215 2 80 100 100 100 100 100 100 172 3 80 100 100 100 100 100 100 80 4 80 100 100 100 100 100 100 71 5 80 100 50 100 100 100 90 1000 1 90 100 100 100 100 100 100 127 2 90 100 50 100 100 100 90 100 3 90 100 100 100 100 100 100 116 4 90 100 100 100 100 100 100 87 5 90 100 50 100 100 100 90 1000 1 100 100 100 100 100 100 100 144 2 100 100 100 100 100 100 100 128 3 100 100 100 100 100 100 100 165 4 100 100 100 100 100 100 100 258

39 DM 5 100 100 50 100 100 100 90 1000 Lampiran 9 Kesalahan identifikasi pada percobaan 2 Nilai dari fitur nominal yang sama antara Shorea leprosula dengan Shorea ovalis yang menyebabkan kesalahan identifikasi pada Percobaan 2 lebar tulang panjang permukaan ujung pangkal keliling luas sudut jml tulang 29.2 10.9 1 1 1 1 65.5 255.3 75 32 1 21.4 7.3 1 1 1 1 46.4 120.3 75 34 1 22.7 8.5 1 1 2 1 50.6 150.9 60 48 2 18.5 7.3 1 1 2 1 41.6 102.7 60 43 2 kelas Hasil identifikasi dari grup percobaan lima : Kelas Sebenarnya Hasil identifikasi Kelas Prediksi ovalis (kode kelas: 1) leprosula (kode kelas: 2) Kelas Shorea platyclados (kode kelas: 3) seminis (kode kelas: 4) beccariana (kode kelas: 5) 1.019 1.095 0.401 2.004 2.954 3.021 4.069 3.990 4.882 5.190 1 1 0 2 3 3 4 4 5 5 Jenis Shorea Kode Kelas Rentang target Shorea ovalis 1 0.5 x < 1.5 Shorea leprosula 2 1.5 x < 2.5 Shorea platyclados 3 2.5 x < 3.5 Shorea seminis 4 3.5 x < 4.5 Shorea beccariana 5 4.5 x < 5.5